人工知能（AI）活用の準備段階で、実現可能性を確かめる「概念実証（PoC）」と呼ぶ工程がある。「PoC貧乏」「PoC止まり」という言葉に象徴されるように、PoCから先に進まないケースが少なくない。名古屋大学でソフトウエアエンジニアリングを研究する筆者がAI活用に取り組む企業の協力を得て調査したところ、AIのスピーディーな業務適用を妨げる3つの壁が浮かび上がった。今回は2つめの「業務変更の壁」を取り上げる。この壁について、まずは架空のストーリーで紹介しよう。
大手製造業でデジタルトランスフォーメーション（DX）部門に所属するAさんは、工場の生産効率化、製品の品質向上を目的とし、自社の生産システムに機械学習モデルを導入できないか検討している。導入できそうな部分を見つけるだけでも簡単ではなかったが、生産設備の消耗部品の交換時期予測に使うことが決まった。
カメラや振動センサーで消耗部品を監視し、それらのデータから実用に耐え得る精度で機械学習モデルを作成できることを確認。実際に生産設備の消耗部品の交換時期を予測できることも確かめた。予測のタイミングや消耗部品の保管、交換に関しても詳細を詰めることができ、これまで劣化とは関係なく一定期間利用すれば交換していた消耗部品を劣化した時点で交換することにより、消耗部品にかかるコストを削減できることが見えてきた。
生産技術部の部門長とリーダーが参加する会議で進捗を共有し、消耗部品の交換に関して担当者と具体的な調整をすることになった。リーダーからは「具体的な交換作業は担当のBさんと相談してください。そのミーティングの開催依頼があることをBさんに伝えておきます」と説明があった。
この時点では特段の問題があるようには思えなかったが、Bさんとミーティングを開いたところ不備や不満が噴出した。
Bさん「この手順だとカメラで劣化の予測ができず、消耗部品が破断して生産設備の自己保護機能で停止したときには、交換のために私が急に呼び出されるんですか。これまで午前にしか打音と目視の検査はしておらず、検査で異常が見つかったときと劣化がなくても6カ月たったときに交換作業をしていました。私の検査や交換業務は朝の一部で済むようになっていて、その後は別の業務があって、全体が計画されているんだけどなあ」
Aさん「いえ、予測は早い段階でできるので、これまでと同じように交換は朝で構いません」
Bさん「でも、もし交換時期の予測が外れると、生産設備の自己保護機能が作動した時点で呼び出されて交換しないといけないのでしょう。予測が外れるのはそっちの不備なんだから、対応はそっちでやってほしいんだけど。これだけやっていればいいんだったらいいけど、それ以外の業務もあるし……。それに、実際に引き受ける立場である私から見ると98.2％という予測精度（再現率）は十分じゃないなあ。1.8％くらい外れるってことだよね。これまではそういう例外はほとんどなかったんだよね。だから交換以外の業務も引き受けているんだけど」
Aさん「……」
結局、話は折り合わなかった。そこで改めて生産部門のリーダーも参加する会議を開いて、Bさんをなだめながらどうにか交換の手順をつくった。Aさんにとっては、機械学習モデルの作成よりも業務担当者との合意形成のほうが重荷に感じることが多かった。関係者が多いうえに、関係者の立場によって意見が変わるため、すり合わせに奔走しなければならなかった。
